Wenn Modelle auf unausgewogenen Datensätzen trainiert werden, bei denen einige Klassen wesentlich mehr Beispiele als andere aufweisen, welche Metrik misst am besten, wie gut das Modell das korrekte Erkennen und Beschriften von Klassen ausbalanciert?

Der F1-Score ist die beste Metrik, da er das harmonische Mittel aus Precision und Recall ist und somit ein Gleichgewicht zwischen beiden Metriken herstellt. Dies ist besonders wichtig bei unausgewogenen Datensätzen, da er sowohl falsch-positive als auch falsch-negative Klassifikationen berücksichtigt. Accuracy (Genauigkeit) ist bei unausgewogenen Datensätzen irreführend, da ein Modell, das die Mehrheitsklasse immer vorhersagt, eine hohe Genauigkeit aufweisen kann, aber die Minderheitsklassen nicht erkennt. Recall (Vollständigkeit) misst den Anteil der tatsächlich positiven Fälle, die korrekt identifiziert wurden, und Precision (Präzision) misst den Anteil der vom Modell als positiv vorhergesagten Fälle, die tatsächlich positiv waren. Beide allein geben kein vollständiges Bild der Modellleistung bei unausgewogenen Daten.